非线性规划-万俊.pptVIP

设f (X)为定义在n维欧氏空间En某一区域上R上的n元实函数，其中： X＝(x1，x2，…，xn)T对于X*∈R，如果存在某个ε＞0，使所有与X*的距离小于ε的X∈R (即X∈R 且||X－X*||＜ε) 均满足 f (X)≥f (X*)则称： X*为 f (X) 在 R上的局部极小点，f (X*) 为局部极小值。 若对于所有X≠X*且与X*的距离小于ε的X∈R ，都有 f (X)＞f (X*)则称X*为f (X)在R上的严格局部极小点， f (X*)为严格局部极小值。 若X*∈R，而对所有X∈R都有 f (X)≥f (X*)则称 X* 为 f (X) 在 R 上的全局极小点，f (X*) 为全局极小值。 若对于所有X∈R 且X≠X*，都有 f (X)＞f (X*)则称X*为f (X)在R上的严格全局极小点， f (X*)为严格全局极小值。 如将以上不等式反向，即可得到相应的极大点和极大值的定义。 凸函数 凹函数 非凸非凹函数 一维搜索的性质 1) 求解下降迭代法中,要求搜索方向Pk为下降方向,显然,可能有多个下降方向,那么哪个方向下降最快呢,是否有下降最快的方向呢? 2)梯度法的基本原理 ① 梯度方向是函数在这一点附近上升最快的方向 ② 负梯度方向是函数在这一点附近下降最快的方向 于是在下降迭代中,在每一